2. RED NEURONALADALINE
El Adaline(ADAptative LINear Element) es un tipo de red neuronal artificial
desarrollada por el profesor Bernie Widrow y su alumno Ted Hoff en la
Universidad de Stanford en 1960.
Utiliza un aprendizaje off-line con supervisión denominado LMS o regla del
mínimo error cuadrático medio (Widrow), también denominado regla delta
Adaline esta limitada a una única neurona de salida mientras que
Madaline es una combinación de neuronas Adaline.
• La red ADALINE es muy similar al Perceptrón, excepto que su función de
transferencia es lineal, en vez de escalón.
• Tanto el ADALINE como el Perceptrón sufren de la misma limitación: solo
pueden resolver problemas linealmente separables.
3. RED ADALINE Y SUS APLICACIONES
• Asociación de patrones: Se puede aplicar a este tipo de problemas siempre
que los patrones sean linealmente separables.
En el campo del procesamiento de señales:
• Filtros de ruido: Limpiar ruido de señales transmisoras de información.
• Filtros adaptativos: El Adaline es capaz de predecir el valor de una señal en el
instante t+1 si se conoce el valor de la misma en los p instantes anteriores (p es
>0 y su valor depende del problema). El error de la predicción será mayor o
menor según qué señal queramos predecir. Si la señal se corresponde a
una serie temporal el Adaline, pasado un tiempo, será capaz de dar
predicciones exactas.
• Se pueden combinar múltiples Adalines formando lo que se denomina
el Madaline.
4. RED NEURONAL HOPFIELD
• Uno de los principales responsables del desarrollo que ha
experimentado la computación neuronal ha sido J. Hopfield
(1980), quien construyó un modelo de red con el número
suficiente de simplificaciones como para poder extraer
información sobre las características relevantes del sistema.
• La red de Hopfield es una red monocapa, utilizan aprendizaje
no supervisado, también se puede mostrar como una red dos
capas, la primera capa seria una capa de sensores y la
segunda capa será donde se realiza el procesamiento.
• Estas redes pueden usarse como un modelo sencillo para
explicar como ocurren las asociaciones entre ideas en las redes
de neuronas del cerebro.
5. RED NEURONAL HOPFIELD
Una red de Hopfield funciona como una memoria
asociativa. Después de entrenarse con un conjunto de
ejemplos, un nuevo estímulo causa la red a
“asentarse'' en un patrón de activación correspondiente
al ejemplo de entrenamiento que se parece más al
nuevo estímulo. Esto es, se alimenta un patrón de
entrada y se observa su salida. La salida vuelve a
alimentar a la red y se ve la nueva salida.
Memoria auto-asociativa.- Se trata simplemente de
asociar dos patrones y se establecen
correspondencias entre ellas.
6. ESTRUCTURA
La estructura de red neuronal que se muestra en la
Figura es una memoria auto-asociativa, de una sola
capa, totalmente conectada y recurrente.
7. CARACTERÍSTICAS
Esta red consiste en un conjunto de N elementos de procesado
interconectadas que actualizan sus valores de activación de forma
asíncrona e independiente del resto de las elementos de procesado.
Todos los elementos son a la vez de entrada y salida.
Es una estructura en donde la matriz de pesos es cuadrada y
simétrica. Es decir los pesos de un PE(Patron de entrada) a otro tiene
el mismo valor en ambas direcciones.
Cada Patrón de Entrada (PE) está conectado con todos los demás,
incluso con si mismo, pero el valor de dicha conexión es 0,
significando que el PE no se realimenta a si mismo.
Es una red discreta con entradas y salidas binarias: 0/1 ó -1/+1
8. LIMITACIONES
Existen varios problemas asociados a la red Hopfield.
Número limitado de entradas en la etapa de
aprendizaje: Si se almacenan demasiadas
informaciones, durante su funcionamiento la red puede
converger a valores de salida diferentes de los
aprendidos, con lo que la tarea de asociación entre la
información presentada y alguna de las almacenadas
se realiza incorrectamente.
El número máximo de patrones no correlacionados que
puede almacenar es igual al 15% del número de
neuronas de la red
9. APLICACIONES
En cuanto a las aplicaciones más conocidas de este
modelo destacan las relacionadas con el
reconocimiento de imágenes y de voz, el control de
motores y sobre todo la resolución de problemas de
optimización.
Para problemas de optimización se ha aplicado para
la resolución de, manipulación de grafos, procesado
de señales (conversores analógico-digitales) y de
imágenes, etc.
10. MAPAS ORGANIZATIVOS DE KOHONEN
Principio de entrenamiento auto-organizado (opuesto al
aprendizaje supervisado).
La red consiste básicamente de dos conjuntos de
unidades, cada una de salida conectada a todos los n
nodos de entrada.
La idea básica que yace en los SOFM es la
incorporación a la regla del aprendizaje competitivo.
Esto hace que el número de neuronas que no aprenden
desaparezcan y ayuda a que ese destaquen propiedades
topológicas que aparezcan en el mapeado de
características
13. CONCLUSIONES
Tanto la red Adaline como la red Hopfield y la red o
mapas organizativos de Kohonen son de mucha ayuda
en la actualidad ya que se pueden aplicar en varios
campos como Salud, Tecnología, Educación, Economía
y muchos mas.
Esto quiere decir que la inteligencia artificial y las redes
neuronales son muy importantes en nuestra vida
moderna, es por esa razón que debemos ampliar los
conocimientos de estas redes y así estar en vanguardia
con los problemas actuales
14. BIBLIOGRAFÍA
• Medina, E; Cubides, H; Salazar, J y Sigüencia, J. 2010. Redes Adaline – Filtros Adaptativos. (En
Línea). Consultado, 03 de Jun del 2015. Disponible en:
http://es.scribd.com/doc/52002261/Adeline-1
• Galván, I y Valls, J. 2010. Redes de Neuronas Artificiales. (En Línea). Consultado, 02 de Jun del
2015. Formato (PDF). Disponible en: http://ocw.uc3m.es/ingenieria-informatica/redes-de-
neuronas-artificiales/transparencias/material-de-clase.-tema-2
• Torres, Luis .2008. Redes Neuronales Artificiales. (En Línea).Consultado 16 de Jun 2015.
Formato (PDF).Disponible en http://disi.unal.edu.co/~lctorress/RedNeu/RNA006c.pdf
• Valls, J. 2007. Redes de Neuronas Perceptrón y Adaline. (En Línea). Consultado, 24 de Junio
2015. Formato (PDF). Disponible en: http://eva.evannai.inf.uc3m.es/et/docencia/rn-
inf/documentacion/Tema2-PerceptronAdaline.pdf
• Formato PDF. Daza, S; 2006. Redes neuronales artificiales. Fundamentos, modelos y
aplicaciones. (En Línea). Consultado, 20 de jun. Formato PDF. Disponible en:
http://www.ilustrados.com/publicaciones/.